CN110751314B - 考虑用户充电行为特征数据驱动的电动汽车负荷预测方法 - Google Patents

Abstract

本发明涉及一种考虑用户充电行为特征数据驱动的电动汽车负荷预测方法，包括以下步骤：1)根据电动汽车的分类，采用和声搜索获取每一类电动汽车对应的最优随机森林参数；2)通过并行回归随机森林建立单辆电动汽车的日前充电负荷预测模型，得到当前电动汽车的日前充电负荷预测曲线；3)通过并行分类随机森林建立单辆电动汽车的充电位置预测模型，输入预测日的充电位置特征属性，得到该电动汽车充电的充电位置预测结果；4)重复步骤1)‑3)，累计发生在同一充电位置的充电负荷，进而得到区域内的充电负荷及其时空分布。与现有技术相比，本发明具有预测精度高、同时得到充电负荷及其时空分布、运算速度快等优点。

Description

考虑用户充电行为特征数据驱动的电动汽车负荷预测方法

技术领域

本发明涉及电动汽车负荷预测领域，尤其是涉及一种考虑用户充电行为特征数据驱动的电动汽车负荷预测方法。

背景技术

随着储能技术的不断发展和成熟，电动汽车产业在国家政策扶持下蓬勃发展，凭借其低能耗、高性能和无污染等特性占据了越来越多的市场份额。电动汽车的大规模接入必将对电网造成很大影响，引发电能质量下降、网损增加，甚至危及电网稳定性。准确预测电动汽车的充电负荷是进行充电站规划及调度的前提，也是电网优化调度、安全经济运行的需要。

早期的电动汽车充电负荷预测方法由于数据基础薄弱，缺少用户的用车习惯数据，大多数学者和专家只能基于负荷总体表现出的规律进行建模，以随机数学方法为主，通常采用某一确定性概率分布抽取起始充电时间、起始SOC进行充电负荷的计算，这种方法概率分布参数设置主观性较强，不能充分反映实际用户的出行行为和充电行为发生的时空随机性和不确定性。

随着电池管理系统(BMS)等数据采集设备以及智能通信技术(ICT)的发展，电动汽车数据的采集与存储变得更容易，“车、站、网”之间的信息联系变得更迅捷，促使了大数据、人工智能等技术和方法与电动汽车充电负荷预测的结合。K最近邻、支持向量机、神经网络、随机森林等机器学习算法陆续被应用于充电站的负荷预测，然而目前现有的研究大多是独立地将每个充电站作为考虑对象，忽视了个体用户的充电行为习惯，也忽视了区域内各个充电站之间的空间耦合关系。

因此，急需一种能够考虑个体用户充电行为的精细化预测模型，能够实现区域内电动汽车充电负荷及其时空分布的同时预测。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种考虑用户充电行为特征数据驱动的电动汽车负荷预测方法。

本发明的目的可以通过以下技术方案来实现：

一种考虑用户充电行为特征数据驱动的电动汽车负荷预测方法，包括以下步骤：

1)根据电动汽车的分类，采用和声搜索获取每一类电动汽车对应的最优随机森林参数；

2)通过并行回归随机森林建立单辆电动汽车的日前充电负荷预测模型，输入预测日的SOC特征属性，得到当前电动汽车的日前充电负荷预测曲线；

3)通过并行分类随机森林建立单辆电动汽车的充电位置预测模型，输入预测日的充电位置特征属性，得到该电动汽车充电的充电位置预测结果；

4)重复步骤1)-3)，直到区域内所有电动汽车全部预测完成，累计发生在同一充电位置的充电负荷，进而得到区域内的充电负荷及其时空分布。

所述的步骤1)具体包括以下步骤：

11)数据预处理：剔除损坏的历史数据，将数据填补完整，并划分为训练数据和检验数据两部分；

12)建立和声记忆库HM：分别在取值范围内随机选择HMS组的初始参数并根据训练数据训练随机森林模型，再通过检验数据获取每组参数所得误差θ从而构建和声记忆库；

13)生成新和声参数并更新和声库；用产生的新参数训练随机森林，得到新的模型误差θ′，当θ′小于和声库中的最大的一个θ值，则将新参数x_i′及新的模型误差θ'更新到和声库HM中，重复步骤13)，直到迭代次数达到设定值；

14)获取最优随机森林参数：将更新后的和声库中误差最小的一组参数作为该类电动汽车的最优随机森林参数。

所述的步骤11)中，采用Python中的数据填充函数fillna将数据填补完整。

所述的步骤12)中，和声记忆库HM的表示形式为：

其中，

为第1组参数的第1个参数，

为第HMS组参数的第4个参数，θ¹为采用第1参数训练的随机森林模型所产生的误差，θ^HMS为采用第HMS参数训练的随机森林模型所产生的误差。

所述的步骤13)中，生成新和声参数的方式包括以下两种：

(1)从和声记忆库中随机抽取一个参数x_i，事件的发生概率为声库取值概率HMCR，并对该抽取的参数进行音调微调，则微调后的新参数x_i′为：

其中，bw为音调微调带宽，PAR为音调微调概率，rand、rand1均表示[0,1]上均匀分布的随机数；

(2)在和声记忆库外随机选取一个值，事件的发生概率为1-HMCR。

所述的步骤2)具体包括以下步骤：

21)根据当前电动汽车的类型获取对应的最优随机森林参数；

22)采用预测日前4周的历史数据作为SOC训练集训练回归随机森林，并每次预测前更新训练数据集；

23)利用Bagging算法对SOC训练集S1进行随机有放回的抽取n个子样本集，每个子样本集对应训练一个决策树，将n个决策树的训练任务平均分配N个线程并行进行，每个进程训练n/N个决策树，最后汇总形成具有n个决策树的SOC单车随机森林预测模型；

24)输入当前车辆预测日的SOC特征属性，得到当前车辆SOC预测曲线；

25)对当前车辆SOC预测曲线进行分段线性拟合，得到充电区间(t₁,t₂)以及充电区间内SOC曲线的拟合函数S_i＝k_i*t+b_i，得到当前车辆发生在预测日充电区间(t₁,t₂)时段的充电功率p_i＝k_i*C_i，其中，b_i为拟合函数的拟合常数，k_i为拟合函数的拟合斜率，即充电速率，C_i为当前车辆的电池容量。

所述的步骤22)中，SOC训练集S1的属性包括标签属性和特征属性，所述的标签属性为t时刻SOC值，所述的特征属性包括当前时刻t、车辆类型、星期几、日期类型、天气状况、最高气温、最低气温、前一天t时刻SOC值、前一天t-1时刻SOC值、前一天t+1时刻SOC值、前一周t时刻SOC值、前一周t-1时刻SOC值和前一周t+1时刻SOC值，其中，车辆类型取值为1，2，3，4，分别对应电动公交车、电动公务车、纯电动私家车和混合动力私家车，日期类型取值为0或1，0代表非工作日，1代表工作日，天气状况取值为1、2、3、4，分别对应晴、阴、雨、雪4种情况。

具体为：

序号	标签属性	值	范围
				1	t时刻SOC	71	1～100
序号	特征属性	值	范围
				1	当前时刻t	720	1～1440
2	车辆类型	1	1,2,3,4
				3	星期几	2	1～7
4	日期类型	1	0,1
				5	天气状况	1	1,2,3,4
6	最高气温	9℃	-
				7	最低气温	0℃	-
8	前一天t时刻SOC	66	1～100
				9	前一天t-1时刻SOC	68	1～100
10	前一天t+1时刻SOC	68	1～100
				11	前一周t时刻SOC	69	1～100
12	前一周t-1时刻SOC	69	1～100
				13	前一周t+1时刻SOC	69	1～100

所述的步骤3)具体包括以下步骤：

31)根据当前电动汽车的类型获取对应的最优随机森林参数；

32)利用Bagging算法对充电位置训练集S2进行随机有放回的抽取n个子样本集，每个子样本集对应训练一个决策树，将n个决策树的训练任务平均分配N个线程并行进行，每个进程训练n/N个决策树，最后汇总形成具有n个决策树的充电位置随机森林预测模型；

33)输入当前车辆预测日的充电位置特征属性，预测当前车辆的充电位置。

所述的充电位置训练集S2的属性包括标签属性和特征属性，所述的标签属性为充电位置，所述的特征属性包括车辆类型、星期几、日期类型、充电起始时刻t₁、充电结束时刻t₂、前一次相同时段的充电位置、前一次相同日期类型的充电位置以及前一次相同星期类型的充电位置，其中，其中，车辆类型取值为1，2，3，4，分别对应电动公交车、电动公务车、纯电动私家车和混合动力私家车，日期类型取值为0或1，0代表非工作日，1代表工作日，充电位置取值为1～K，用以指代区域内的K个充电站。

具体为：

序号	标签属性	值	范围
				1	充电位置	1	1～K
序号	特征属性	值	范围
				1	车辆类型	1	1,2,3,4
2	星期几	2	1～7
				3	日期类型	1	0,1
4	充电起始时刻t<sub>1</sub>	1080	0-1440
				5	充电结束时刻t<sub>2</sub>	1400	0-1440
6	前一次相同时段的充电位置	1	1～K
				7	前一次相同日期类型的充电位置	1	1～K
8	前一次相同星期类型的充电位置	1	1～K

所述的步骤4)中，区域内第k个充电站的充电负荷P_k为：

其中，N_k表示在充电站k进行充电的电动汽车总数，p_ik为每辆电动汽车的充电负荷。

与现有技术相比，本发明具有以下优点：

一、预测精度高：参数优化后的随机森林具有更好的学习能力，通过单车预测模型充分挖掘了用户的充电行为习惯，提高了电动汽车集群的充电负荷预测精度。

二、同时得到充电负荷及其时空分布：相比于传统方法，本发明不仅可以预测充电负荷大小，还可以在此基础上预测其时空分布。

三、运算速度快：针对大规模的电动汽车集群，本发明所提出的并行策略可以显著提高模型的运行速度。

附图说明

图1为区域内电动汽车充电负荷时空分布预测流程图。

图2为采用和声搜索寻找最优随机森林参数的流程图。

图3为多线程建模并行加速比。

图4为多线程数据并行加速比。

图5为区域内电动汽车的充电负荷时空分布预测结果。

具体实施方式

下面结合附图和具体实施例对本发明进行详细说明。

实施例

如图1所示，本发明提出了一种考虑用户充电行为特征数据驱动的电动汽车负荷预测方法，本发明首先通过和声算法为每一类车辆寻找最优的算法参数，如图2所示，以建立最适合的随机森林模型，具体的参数寻优步骤如下：

步骤1：数据预处理。剔除坏数据，采用Python中的数据填充函数fillna将数据填补完整，划分为训练数据和检验数据两部分；

步骤2：建立和声记忆库HM(Harmony memory)。分别在取值范围内随机选择HMS(Harmony memory size)组初始参数训练随机森林模型，再通过检验数据计算每组参数所得误差θ，和声记忆库形式如下：

步骤3：生成新和声。在此需引入两个算法参数，即和声库取值概率(Harmonymemory considering rate，HMCR)和音调微调概率(Pitch adjusting rate，PAR)。产生新和声的方式主要有以下两种：

(1)从和声记忆库中随机抽取一个参数，发生概率为HMCR，此时需要对所选参数进行音调微调，假设抽到的参数为x’_i，则新参数为：

其中，bw为音调微调带宽，PAR为音调微调概率；rand1表示[0,1]上均匀分布的随机数。

(2)在HM外随机选取一个值(参数范围内)，事件发生概率为1-HMCR。

步骤4：更新和声库。用产生的新参数训练随机森林，得到新的模型误差θ'，评估新误差，如果θ'小于和声库中的最大的一个θ，则将x’_i及θ'更新到HM中。

步骤5：判断终止条件。重复第三步和第四部，直到迭代次数达到设定值。

由上述步骤分别得到电动公交车、电动公务车、纯电动私家车以及混合动力私家车四类车辆的最优随机森林训练参数，以此并行建立单辆电动汽车的预测模型，其过程如下：

步骤6：利用Bagging算法对原数据集S进行随机有放回的抽取n个子样本集{TS₁，TS₂，…，TS_n}，一个子样本集对应训练一个决策树，共设N个并行进程，则每个进程训练n/N个决策树，最后汇总形成具有K个决策树的随机森林模型，并行建模的加速比结果如图3所示。

每辆车分别建立SOC预测模型及充电位置预测模型两个模型，所有车辆模型训练完成后，输入每辆车在预测日的特征属性进行充电负荷的预测，此过程通过M条线程并行计算，并行加速比如图4所示。

步骤7：将需要输入的特征集{S₁，S₂，…，S_m}平均分配到M条线程，每个线程分别输出各自的预测结果，具体预测过程如下：

步骤8：预测SOC曲线，将第i电动汽车预测日的SOC特征属性输入到其预测模型，得到SOC预测曲线，拟合曲线得到充电负荷及充电时段(t₁,t₂)。

步骤9：预测充电位置，将步骤8中所的充电时段(t₁,t₂)整合到位置特征属性集中，一并输入到第i辆电动汽车预测日的充电位置预测模型。

步骤10：累计各充电站充电负荷，其结果如图5所示。

本方法首先按车辆用途对电动汽车进行分类，然后采用和声算法对各类车辆的随机森林参数进行寻优，减小算法误差，进而考虑到个体车主的用车习惯差异，采用单辆电动汽车的特征数据训练随机森林，并行建立所有车辆的单车预测模型，再通过并行计算求得区域内电动汽车集群的充电负荷及其时空分布。本发明提出的方法充分考虑了个体车主的用车行为特征，在预测充电负荷的同时兼具其时空分布的预测，使得预测结果更加精确。

Claims (7)

1.一种考虑用户充电行为特征数据驱动的电动汽车负荷预测方法，其特征在于，包括以下步骤：

1)根据电动汽车的分类，采用和声搜索获取每一类电动汽车对应的最优随机森林参数，具体包括以下步骤：

11)数据预处理：剔除损坏的历史数据，将数据填补完整，并划分为训练数据和检验数据两部分；

12)建立和声记忆库HM：分别在取值范围内随机选择HMS组的初始参数并根据训练数据训练随机森林模型，再通过检验数据获取每组参数所得误差θ从而构建和声记忆库；

13)生成新参数并更新和声记忆库；用产生的新参数训练随机森林，得到新的模型误差θ′，θ′当小于和声记忆库中的最大的一个θ值，则将新参数x′_i及新的模型误差θ'更新到和声记忆库HM中，重复步骤13)，直到迭代次数达到设定值；

14)获取最优随机森林参数：将更新后的和声记忆库中误差最小的一组参数作为该类电动汽车的最优随机森林参数；

2)通过并行回归随机森林建立单辆电动汽车的日前充电负荷预测模型，输入预测日的SOC特征属性，得到当前电动汽车的日前充电负荷预测曲线，具体包括以下步骤：

21)根据当前电动汽车的类型获取对应的最优随机森林参数；

22)采用预测日前4周的历史数据作为SOC训练集S1训练回归随机森林，并每次预测前更新训练数据集；

23)利用Bagging算法对SOC训练集S1进行随机有放回的抽取n个子样本集，每个子样本集对应训练一个决策树，将n个决策树的训练任务平均分配N个线程并行进行，每个进程训练n/N个决策树，最后汇总形成具有n个决策树的SOC单车随机森林预测模型；

24)输入当前车辆预测日的SOC特征属性，得到当前车辆SOC预测曲线；

25)对当前车辆SOC预测曲线进行分段线性拟合，得到充电区间(t₁,t₂)以及充电区间内SOC曲线的拟合函数S_i＝k_i*t+b_i，得到当前车辆发生在预测日充电区间(t₁,t₂)时段的充电功率p_i＝k_i*C_i，其中，b_i为拟合函数的拟合常数，k_i为拟合函数的拟合斜率，即充电速率，C_i为当前车辆的电池容量；

3)通过并行分类随机森林建立单辆电动汽车的充电位置预测模型，输入预测日的充电位置特征属性，得到该电动汽车充电的充电位置预测结果，具体包括以下步骤：

31)根据当前电动汽车的类型获取对应的最优随机森林参数；

32)利用Bagging算法对充电位置训练集S2进行随机有放回的抽取n个子样本集，每个子样本集对应训练一个决策树，将n个决策树的训练任务平均分配N个线程并行进行，每个进程训练n/N个决策树，最后汇总形成具有n个决策树的充电位置随机森林预测模型；

33)输入当前车辆预测日的充电位置特征属性，预测当前车辆的充电位置；

4)重复步骤1)-3)，直到区域内所有电动汽车全部预测完成，累计发生在同一充电位置的充电负荷，进而得到区域内的充电负荷及其时空分布。

2.根据权利要求1所述的一种考虑用户充电行为特征数据驱动的电动汽车负荷预测方法，其特征在于，所述的步骤11)中，采用Python中的数据填充函数fillna将数据填补完整。

3.根据权利要求1所述的一种考虑用户充电行为特征数据驱动的电动汽车负荷预测方法，其特征在于，所述的步骤12)中，和声记忆库HM的表示形式为：

其中，

为第HMS组参数的第4个参数，θ^HMS为采用第HMS组参数训练的随机森林模型所产生的误差。

4.根据权利要求1所述的一种考虑用户充电行为特征数据驱动的电动汽车负荷预测方法，其特征在于，所述的步骤13)中，生成新参数的方式包括以下两种：

(1)从和声记忆库中随机抽取一个参数x_i，事件的发生概率为和声记忆库取值概率HMCR，并对该抽取的参数进行音调微调，则微调后的新参数x′_i为：

其中，bw为音调微调带宽，PAR为音调微调概率，rand、rand1均表示[0,1]上均匀分布的随机数；

(2)在和声记忆库外随机选取一个值，事件的发生概率为1-HMCR。

5.根据权利要求1所述的一种考虑用户充电行为特征数据驱动的电动汽车负荷预测方法，其特征在于，所述的步骤22)中，SOC训练集S1的属性包括标签属性和特征属性，所述的标签属性为t时刻SOC值，所述的特征属性包括当前时刻t、车辆类型、星期几、日期类型、天气状况、最高气温、最低气温、前一天t时刻SOC值、前一天t-1时刻SOC值、前一天t+1时刻SOC值、前一周t时刻SOC值、前一周t-1时刻SOC值和前一周t+1时刻SOC值，其中，车辆类型取值为1，2，3，4，分别对应电动公交车、电动公务车、纯电动私家车和混合动力私家车，日期类型取值为0或1，0代表非工作日，1代表工作日，天气状况取值为1、2、3、4，分别对应晴、阴、雨、雪4种情况。

6.根据权利要求1所述的一种考虑用户充电行为特征数据驱动的电动汽车负荷预测方法，其特征在于，所述的充电位置训练集S2的属性包括标签属性和特征属性，所述的标签属性为充电位置，所述的特征属性包括车辆类型、星期几、日期类型、充电起始时刻t₁、充电结束时刻t₂、前一次相同时段的充电位置、前一次相同日期类型的充电位置以及前一次相同星期类型的充电位置，其中，车辆类型取值为1，2，3，4，分别对应电动公交车、电动公务车、纯电动私家车和混合动力私家车，日期类型取值为0或1，0代表非工作日，1代表工作日，充电位置取值为1～K，用以指代区域内的K个充电站。

7.根据权利要求1所述的一种考虑用户充电行为特征数据驱动的电动汽车负荷预测方法，其特征在于，所述的步骤4)中，区域内第k个充电站的充电负荷P_k为：

其中，N_k表示在充电站k进行充电的电动汽车总数，p_ik为每辆电动汽车的充电负荷。

Images